Biblioteca122.739 documentos en línea

Artículos

Short-Term Load Forecasting Model Based on Quantum Elman Neural NetworksModelo de previsión de carga a corto plazo basado en redes neuronales Elman cuánticas

Resumen

En este artículo se construye un modelo de previsión de carga a corto plazo basado en redes neuronales cuánticas de Elman. La computación cuántica y el mecanismo de retroalimentación de Elman se integraron en las redes neuronales cuánticas de Elman. La computación cuántica puede mejorar eficazmente la capacidad de aproximación y la capacidad de procesamiento de información de las redes neuronales. Las redes neuronales cuánticas de Elman no sólo tienen una conexión feedforward, sino también una conexión de retroalimentación. La conexión de retroalimentación entre los nodos ocultos y los nodos de contexto pertenece a la retroalimentación de estado en el sistema interno, que ha formado un rendimiento específico de memoria dinámica. La teoría de reconstrucción del espacio de fases es la base teórica para construir el modelo de previsión. Las muestras de entrenamiento se obtienen mediante el método del vecino más próximo (K -nearest neighbor approach). Mediante la simulación de ejemplos, los resultados de las pruebas muestran que el modelo basado en redes neuronales Elman cuánticas es mejor que el modelo basado en la red neuronal de avance cuántico, el modelo basado en la red neuronal Elman convencional y el modelo basado en la red neuronal de avance convencional. Por tanto, el modelo propuesto puede mejorar eficazmente la precisión de la predicción. La investigación de este artículo sienta las bases teóricas para la aplicación práctica en ingeniería del modelo de predicción de carga a corto plazo basado en redes neuronales Elman cuánticas.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento